BlockJack desvia o cache KV do vLLM entre inquilinos diferentes

Preprint de seis universidades mostra que corromper um único registro da tabela de blocos faz uma requisição ler o cache de outro cliente, sem tocar em pesos, prompts ou no conteúdo cacheado. O vLLM e a Sonar confirmaram a falha e aplicaram validação de atribuição.

Aneis concentricos abstratos sugerindo blocos de memoria endereçados em camadas sobrepostas

Imagem editorial original do Plugged Ninja, gerada sem texto.

Um preprint publicado em 19 de novembro de 2026 no arXiv apresenta o BlockJack, o primeiro ataque de injeção de falhas dirigido à camada de tradução de endereços do cache de chave-valor (KV) em servidores de inferência de modelos de linguagem. A ideia central é simples e incômoda: em vez de corromper os pesos do modelo ou o conteúdo do cache, o ataque corrompe o registro que diz onde aquele conteúdo está — e com isso faz a requisição de um cliente ler o cache de outro.

O trabalho é assinado por Qifan Wang e David Oswald (Durham University), Jeremy Boy, Jonas Sander e Thomas Eisenbarth (Universidade de Lübeck), Ye Dong (Universidade Nacional de Singapura), Hongsheng Hu (Universidade Jiao Tong de Xangai) e Yansong Gao (Universidade do Sudeste), sob o identificador arXiv 2611.25945v1, na categoria de criptografia e segurança (cs.CR).

A relevância prática vem do desfecho do processo de divulgação responsável: segundo os autores, o projeto vLLM e o motor Sonar confirmaram a vulnerabilidade e implementaram correções em patches separados, que a equipe revisou e validou. Ou seja, não se trata de um cenário hipotético de laboratório sem contraparte do fornecedor.

Contexto: o que é a tabela de blocos e por que ela é metadado crítico

Para responder rápido, um servidor de LLM guarda as chaves e valores de atenção dos tokens já processados no cache KV, evitando recalcular tudo a cada novo token gerado. Como as requisições têm tamanhos variados, esse cache fragmenta a memória com facilidade. A solução adotada pelo vLLM é o PagedAttention: o cache é dividido em blocos de tamanho fixo e cada requisição recebe uma tabela que mapeia seus blocos lógicos para blocos físicos.

Essa tabela de blocos é, na prática, uma tabela de páginas gerenciada por software — a mesma função que o sistema operacional cumpre para a memória de processos. E é aí que está o argumento dos autores: se ataques como o Rowhammer já exploraram tabelas de páginas do sistema operacional para redirecionar acessos à memória, a tabela de blocos do cache KV é um alvo equivalente que a literatura havia ignorado.

O levantamento feito no artigo mostra que os ataques anteriores a servidores de LLM se concentraram no plano de dados: canais laterais que inferem prompts por tempo ou comprimento de resposta, manipulações que induzem acertos indevidos de cache e injeções de falhas em pesos do modelo ou no conteúdo do cache. Nenhum havia tratado o mapeamento como superfície de ataque. O Sonar, derivado do vLLM, herda o mesmo desenho de blocos; o SGLang, em contraste, organiza o cache por RadixAttention.

Os dois efeitos possíveis

O que torna o BlockJack particularmente desagradável é que o mesmo defeito produz dois resultados distintos, dependendo de qual tabela foi corrompida:

  • Quebra de confidencialidade. A falha altera uma entrada na tabela do atacante, redirecionando a leitura do cache dele para o estado cacheado da vítima. A resposta devolvida ao atacante passa a conter informação da vítima.
  • Quebra de integridade. A falha altera a tabela da vítima, e o contexto fornecido pelo atacante passa a orientar a resposta entregue à vítima.

Em nenhum dos casos há modificação de parâmetros do modelo, de prompts ou dos vetores de chave e valor já cacheados. O exemplo usado no artigo é um serviço de assistente médico: uma requisição sobre gripe passa a incorporar, de forma textualmente coerente, o diagnóstico informado por outro usuário em uma consulta sobre câncer de pulmão.

Aspectos técnicos e resultados medidos

A avaliação principal usa injeção de falhas emulada em software, com o vLLM como plataforma, em um servidor com processador Intel Xeon Gold 5415+, 128 GiB de memória DDR5 com ECC e uma GPU NVIDIA GeForce RTX 4090 de 24 GiB. O ambiente roda Ubuntu 22.04.5 LTS com kernel Linux 5.15, PyTorch 2.13.0 sobre CUDA 13.0 e vLLM em um commit específico, com blocos de 16 tokens e decodificação gulosa.

Os números que importam:

Medida Resultado relatado
Modelos avaliados sete, das famílias Qwen, Llama, Gemma e Phi
Vazamento de contexto da vítima ocorre em todos os sete modelos quando o mapeamento é corrompido
Benchmark de integridade 248 cenários clínicos, avaliados por cinco modelos atuando como juízes
Efeito do ataque de integridade até 41,1% das respostas recomendam cuidado menos urgente do que o devido
Plataforma do teste físico DDR4, com vLLM 0.25.0 em execução por CPU servindo Llama-3.2-1B-Instruct

O dado dos 41,1% é o mais relevante para avaliar risco real, e não só por ser alto. Os autores observam que as respostas alteradas continuam aparentando consistência com a pergunta da vítima — um rebaixamento silencioso, difícil de perceber do lado de quem consultou.

A demonstração de viabilidade física usa o Rowhammer como primitiva ilustrativa, com o arcabouço SWAGE e um padrão gerado pelo Blacksmith, em uma plataforma DDR4 já sabidamente suscetível. No alvo, o motor expõe a tabela de blocos como um tensor de 8 KiB em memória do host. O modelo de ameaça é explícito: um atacante sem privilégios, com acesso apenas por software e com API comum ao serviço, que compartilha a máquina física com a vítima — situação descrita como plausível em servidores compartilhados, nuvem multi-inquilino e ofertas de LLM como serviço. Sistema operacional e hipervisor são assumidos como corretos, e o atacante não consegue ler nem escrever diretamente no espaço de endereços do serviço.

Defesas, impactos e limitações

A defesa adotada pelos dois motores é a validação de atribuição: o arcabouço mantém um registro independente, no lado do host, dos identificadores de bloco atribuídos pelo escalonador, e compara a entrada operacional com esse registro antes de usá-la para ler ou escrever no cache. Qualquer divergência é rejeitada. Nos testes dos autores, as duas implementações barraram as corrupções testadas antes do uso, e as execuções limpas terminaram normalmente. Como a verificação ocorre no caminho de inferência, há custo de desempenho — o artigo reconhece o custo sem publicar um número e sugere que otimizações podem reduzi-lo sem enfraquecer a proteção.

A segunda contramedida discutida é o isolamento por instância de serviço: inquilinos mutuamente não confiáveis recebem instâncias dedicadas, cada uma com alocador e pool de cache próprios, de modo que um identificador corrompido só possa apontar para dentro do próprio pool. O preço é alto e está declarado — perde-se o agrupamento de requisições entre inquilinos e o reaproveitamento compartilhado do cache, que são justamente as fontes de eficiência do modelo atual.

No plano do hardware, o artigo registra que ECC e o TRR interno da DRAM dificultam inversões de bits exploráveis, mas “permanecem contornáveis”, e aponta mecanismos mais recentes como RFM e PRAC, além de contagem de erros corrigidos e atividade de remapeamento de linha como sinais de detecção.

As limitações estão reconhecidas de forma clara, e duas pesam na leitura dos resultados. Primeiro, a previsibilidade do alvo depende do estado do alocador: quando o pool já foi inteiramente utilizado, o atacante não consegue mais determinar o bloco de destino pelo próprio histórico de requisições, e o ataque se torna probabilístico e não direcionado — condição que os autores não mediram, por depender da ocupação de cada implantação. Segundo, o ataque Rowhammer completo em GPU não foi demonstrado: a primitiva ainda é emergente e específica de hardware, e os artefatos de uma técnica recente de contorno de ECC em GPU não eram públicos quando o artigo foi escrito. A demonstração física, portanto, cobre o caminho por CPU.

Recomendações para quem opera inferência

  • Atualize o vLLM e motores derivados para versões que incluam a validação de atribuição da tabela de blocos, e verifique no changelog se o patch correspondente está presente.
  • Reavalie o agrupamento de requisições entre clientes distintos: se o serviço atende inquilinos mutuamente não confiáveis com dados sensíveis, instâncias dedicadas continuam sendo a fronteira mais forte.
  • Trate a co-residência como parte do modelo de ameaça ao escolher instâncias de nuvem para servir modelos com dados regulados.
  • Monitore contadores de erros corrigidos de memória e atividade de remapeamento de linha nos hospedeiros de inferência — são sinais indiretos de tentativa de Rowhammer.
  • Não confie em revisão humana para flagrar o efeito de integridade: as respostas alteradas permanecem plausíveis em relação à pergunta original.

Conclusão

O BlockJack desloca a discussão de segurança em servidores de LLM do conteúdo para o metadado. O resultado é defensável porque a cadeia foi fechada: análise do mapeamento, caracterização formal de quando o alvo é previsível, medição em sete modelos, demonstração física por CPU, divulgação responsável e validação dos patches dos dois fornecedores afetados.

Como todo preprint, o texto ainda não passou por revisão por pares, e vale lembrar que a exploração exige compartilhamento de máquina física e memória suscetível — não é um ataque remoto genérico. O que observar a seguir: a versão revisada do artigo, a eventual atribuição de identificadores CVE pelos projetos afetados, a publicação do custo de desempenho da validação de atribuição e se o mesmo raciocínio se confirma nos outros metadados citados pelos autores, como os de cache de prefixos, de descarregamento do cache KV e de servir com prefill e decode separados.

Fontes e referências

PLUGGED NINJA
Informações de privacidade

Este site usa cookies para que possamos oferecer a melhor experiência de usuário possível. As informações dos cookies são armazenadas em seu navegador e executam funções como reconhecê-lo quando você retorna ao nosso site e ajudar nossa equipe a entender quais seções do site você considera mais interessantes e úteis.